تشخیص خطاهای ژنراتور با استفاده از یادگیری ماشین (مقاله ترجمه شده)

چکیده

این  تحقیق با یک رویکرد معتبر برای تشخیص اولیه مدار اتصال کوتاه در  سیم پیچ استاتور است که در ژنراتورهای القایی که در توربین های بادی استفاده می شود. با استفاده از یک بستر آزمایشی توربین بادی ، انواع مختلفی از اتصال کوتاه را در ژنراتور وارد کردیم. پیشنهاد دادیم که از چهار تکنیک استخراج ویژگی به همراه سه دسته بند  استفاده کنیم‌ .  MLP شرایط نرمال  مولد را با خطای مثبت و منفی ۱%  تعیین کرد‌. با استفاده از توپولوژی های مختلف MLP ، می توان مدارهای اتصال کوتاه اولیه را در چرخش 1.41٪ و  با دقت 99.33٪ شناسایی کرد.  ترکیب فوریه و  MLP  در تشخیص خطا، بسیار مفید است، چون توانسته به دقت ۸۴.۴۸% برسد  و ۹۹.۹۸% از شرایط نرمال را به درستی  دسته بندی کرد.

مقدمه

انرژی باد در میان منابع انرژی تجدید پذیر ، به مؤثرترین و پذیرفته ترین راه حل برای تولید برق در سراسر جهان تبدیل شده است و به اندازه ۴۸۶.۷  گیگاوات ساعت به نیاز جهانی کمک می کند [1]. این تولید انرژی، تنها 3٪ از نیاز انرژی جهان را نشان می دهد ، اما تخمین زده می شود که در سال 2030 قدرت باد بتواند  17 تا 19٪ از تقاضای جهانی را تامین  کند.

طبق گفته های پولیندر و همكاران، مشكلات عملیاتی بر هزینه انرژی، به طور مستقیم اثر می گذارد. [2] فقط با یک سیستم توربین بادی قابل اعتماد و در دسترس که می توان هزینه انرژی را کاهش داد. علاوه بر این ، با توجه به قابلیت اطمینان ، هزینه های عملیاتی تعمیر و نگهداری ، که حداکثر 30 درصد از هزینه انرژی را شامل می شود [2].

کارهای انجام شده در زمینه ی خطای اتصال کوتاه در ماشین های الکتریکی

خطاهای سیم پیچ استاتور معمولاً با عوامل مختلفی از جمله گرمای بیش از حد، اضافه بار الکتریکی، تخلیه های الکتریکی و فشار مکانیکی همراه هستند [5]. محیطی که SCIG در آن نصب شده است، یک محیط خشن است، بنابراین به یک ابزار نظارت نیاز است. تکنیک فعلی تجزیه و تحلیل امضاء (MCSA) به عنوان یک روش امیدوارکننده برای توصیف شرایط عملیاتی ژنراتور القایی مشخص شد. که شامل مجموعه ای از روشهای تلفیقی است که در بین سالهای 1975 تا 1985 در مقالات مروری در سرتاسر جهان توسعه یافت که دارای تجزیه و تحلیل جریان و طیف آن برای توصیف ماشین های القایی بودند [6].

روش های به کار رفته برای استخراج ویژگی برای ماشین های القایی

می توان از تبدیل فوریه برای بیان سیگنال های حوزه ی زمان، در حوزه فرکانس استفاده کرد. اولیورا و همکاران [10] هارمونیک های موجود در سیگنال جریان الکتریکی از موتور الکتریکی را تحت چندین خطای مدار اتصال کوتاه بین چرخشی بررسی کرده و نتیجه گرفتند که مهمترین فرکانس ها 0.5fn ، 1.5fn ، 2.5fn ، 3.0fn ، 5.0fn و 7fn است که در آن fn فرکانس پایه ی استاتور است. اولیورا و همکاران [10]، کولیو و همکاران [12] و ویرا و همکاران [11] ، ویرا و همکاران [11] همچنین از همین فرکانس برای پیشنهاد دادن روش های مختلف برای تشخیص خطا در موتورهای القایی استفاده کردند. در سایر مطالعات، فرض می شود که ماشین الکتریکی به عنوان موتور عمل می کند، اما ما معتقدیم در حالی که دستگاه به عنوان ژنراتور کار می کند، همین فرکانس ها نماینده خواهند بود. بنابراین، مقادیر این فرکانس ها که توسط فرکانس پایه نرمال شده اند، به عنوان ویژگی مورد استفاده قرار می گیرند.

راه اندازی آزمایشی و ایجاد مجموعه داده

شبیه سازی توربین بادی بر اساس تنظیمات شرح داده شده توسط یاراماسو و همکاران [4] انجام شده است که از ژنراتور القایی قفس سنجابی از نوع مقیاس کامل [1]و تمامی متغیر سرعت[2]ساخته شده است، بدین معنی که ماشین الکتریکی می تواند در کل محدوده سرعت، انرژی الکتریکی را در کل تولید کند. یک بستر آزمایشی مبتنی بر این سیستم توربین بادی این مقاله ساخته شده است و در شکل 1 نشان داده شده است.

روشهای یادگیری ماشینی اتخاذ شده

با مجموعه داده های موجود در دست ما، طبقه بندی کننده های آموزش دیده پرسپترون چند لایه، ماشین های بردار پشتیبان و بیزی هستند. ابتدا مطالعات مقدماتی برای تنظیم پارامترهای بیش از حد در هر مدل انجام می شود تا بحث در مورد عملکرد قاطع و معتبر باشد. طبقه بند بیزی یک روش آماری در نظر گرفته شده است ، که در طبقه بندی نمونه ها از تابع چگالی احتمال هر یک از این نمونه های متعلق به یک کلاس خاص استفاده می شود. یادگیری آن تحت نظارت و براساس تئوری تصمیم گیری بیز انجام می شود. طبقه بند بیزی، نمونه ها را با توجه به مقدار احتمال پسین که از مقادیر تابع چگالی شرطی و احتمالات قبلی محاسبه می شود ، توزیع می کند [22]. ایده برای استفاده از این طبقه بندیگرها بر این فرض استوار است که متغیرها تصادفی هستند و می توانند توسط یک تابع چگالی احتمال گاوسی مدل سازی شوند ، حتی ما سیگنال های غیر تصادفی را نیز به عنوان یک رفتار تصادفی در نظر می گیریم. تعداد نمونه های موجود در کلیه مجموعه داده ها بسیار بیشتر از ابعاد آن است ، بنابراین ما برای هر کلاس از تخمین های مستقل از ماتریس کوواریانس استفاده می کنیم و این یک طبقه بندی بیزی درجه دوم به ما می دهد.

نتایج و بحث

این بخش نتایج حاصل از کلیه روشهای ترکیبی استخراج ویژگی ها در مقابل طبقه بندها مورد بحث قرار گرفته است ، در پایان آن، پیکربندی های بهتر نشان داده شده است و بخش دوم مربوط به گزاره های متفاوت برای دستیابی به دقت و استحکام طبقه بند برای شناسایی اولیه اتصال کوتاه سیم پیچ استاتور است. تمام نتایج ارائه شده از مجموعه آزمون است. نتایج حاصل از مجموعه آموزش نمایش داده نمی شود، زیرا به مجموعه ی تست بسیار شبیه است. روند برنامه نویسی استخراج ویژگی ها، آموزش و طبقه بندی در MATLAB® اجرا می شود. توجه داشته باشید که تمام آزمایشاتی که در اینجا گزارش شده است بر روی یک کامپیوتر Intel i7 با سرعت 3.1 گیگاهرتز و 8 گیگابایت رم انجام شده است که در آن سیستم عامل لینوکس اوبونتو بر روی درایو حالت جامد نصب شده است.

مقایسه روش های استخراج ویژگی و دسته بندها

در جدول ۳ میانگین متریک های(مقیاس ها) کلاس های کلیه ترکیبات روش های استخراج ویژگی در مقابل طبقه بندی ها آورده شده است. با استفاده از فوریه به عنوان یک استخراج کننده ویژگی، MLP در کل کلاس ها دقت متوسط 48/84 درصد را بدست آورد که از Bayes بهتر و از SVM کمی بهتر است. این حساسیت نشان می دهد که MLP در هنگام تشخیص موارد مثبت واقعی، بسیار بهتر از سایر روش ها عمل می کند، که ممکن است قابلیت شناسایی شرایط عملیاتی معمولی ژنراتور را نشان دهد که ویژگی همچنین MLP را بهتر از سایر طبقه بندی ها نشان می دهد، در حالی که شرایط معیوب را پیش بینی می کند.

نتیجه گیری

نتایج حاصل از ترکیب روش‌های استخراج ویژگی ها و طبقه بندی کننده ها نشان داد که ترکیب فوریه و پرسپترون چند لایه ابزاری بهتری برای تشخیص اتصال کوتاه درون سیم پیچی اولیه استاتوردر ژنراتور القایی است که در توربین های بادی به کار گرفته می شود. در کلیه آزموزش ها دریافتیم، شرایط عادی با دقت بیش از 99٪ طبقه بندی شده بودند و با گروه بندی تمام خطاها با هم، در طبقه بندی باینری 100 دقت ٪ بدست آمد. آستانه های عدم پذیرش برای کاهش نرخ های مثبت و منفی کاذب، با وجود هیچ کدام از نمونه ها رد نشدند.

با تجزیه و تحلیل خروجی های شبکه های عصبی باینری می توان تشخیص داد که زمانی که dc-bus از مقدار مجاز (311 V) فاصله دارد، نمونه های نرمال تمایل به طبقه بندی نادرست به صورت خطادار، دارند ، اما قابلیت اطمینان طبقه بندی کننده توسط باند عدم پذیرش، حفظ شده است تا ازطبقه‌بندی‌های نادرست مثبت کاذب جلوگیری شود.

با این حال، برای شناسایی خطاهای اولیه ، مشاهده شد که گروه بندی خطا ها در گروههای مختلف باعث تفسیرهای مختلف می شود. بنابراین ، برای فراهم کردن سیستم تشخیص سریع خطا ، یک ساختار چند طبقه بندی کننده، شامل چهار ، سه و دو کلاس از شبکه های عصبی بایستی استفاده شود. مهم است تاکید نماییک که کلیه شرایط اتصال کوتاه ارزیابی شده در واقع شرایط اولیه است، زیرا جریان اتصال کوتاه به ژنراتورهای دارای جریان مجاز محدود است. بنابراین ، ما معتقدیم شرایط انصال کوتاه واقعی باید به دلیل مقاومت طبقه بندی گر ما به سادگی شناسایی شود.

روش استفاده شده در این کار نشان داد که کارآمد بوده و می توانست در سیستم هایی که در حال حاضر درمزارع بادی و هم چنین در توربین های بادی اخیر نصب شده اند، استفاده شود. از آنجا که مبدل های فرکانس از ژنراتورهای جدید توان می گیرند، این راه حل نیز می توانست در آن تعبیه شود، یک محصول یکپارچه مسئول توان ، کنترل و نظارت را بسازد. این قطعاً باعث افزایش قابلیت اطمینان و در دسترس بودن نیروگاه بادی می شود.

این مقاله ISI در سال 2018 در نشریه الزویر و در مجله کامپیوتر و مهندسی برق و توسط آزمایشگاه پردازش تصویر منتشر شده و در سایت ای ترجمه جهت دانلود ارائه شده است. در صورت نیاز به دانلود رایگان اصل مقاله انگلیسی و ترجمه آن می توانید به پست دانلود ترجمه مقاله تشخیص خطاهای ژنراتور با استفاده از یادگیری ماشین در سایت ای ترجمه مراجعه نمایید.